| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究目的及意义 | 第8-9页 |
| 1.2 数据流研究现状 | 第9-10页 |
| 1.3 本文的研究工作 | 第10页 |
| 1.4 本文组织框架 | 第10-12页 |
| 2 相关工作 | 第12-18页 |
| 2.1 极限学习机 | 第12-14页 |
| 2.2 在线连续极限学习机 | 第14-15页 |
| 2.3 粒子群优化算法 | 第15页 |
| 2.4 简单投票算法 | 第15-16页 |
| 2.5 决策树 | 第16-18页 |
| 3 基于在线连续极限学习机的数据流集成分类算法 | 第18-27页 |
| 3.1 引言 | 第18页 |
| 3.2 算法描述 | 第18-20页 |
| 3.3 实验结果与分析 | 第20-26页 |
| 3.3.1 有效评价标准 | 第20页 |
| 3.3.2 实验数据与结果分析 | 第20-26页 |
| 3.4 小结 | 第26-27页 |
| 4 基于相对熵的概念漂移检测算法 | 第27-38页 |
| 4.1 引言 | 第27页 |
| 4.2 算法描述 | 第27-30页 |
| 4.2.1 相对熵 | 第27-28页 |
| 4.2.2 Kolmogorov-Smirnov检验 | 第28-29页 |
| 4.2.3 算法思想及描述 | 第29-30页 |
| 4.3 实验分析与结论 | 第30-37页 |
| 4.4 小结 | 第37-38页 |
| 5 结论与展望 | 第38-39页 |
| 参考文献 | 第39-42页 |
| 攻读硕士学位期间发表学术论文情况 | 第42-43页 |
| 致谢 | 第43页 |